Penerapan Deep Learning Menggunakan Convolutional Neural Network (CNN) Untuk Klasifikasi Daging Ayam Menggunakan Arsitektur Resnet-50

  • Febri Yalda Sulistia Fakultas Teknik, Universitas Bengkulu
  • Arie Vatresia Fakultas Teknik, Universitas Bengkulu

Abstract

Daging ayam adalah salah satu konsumsi paling tinggi bagi manusia dalam kehidupan sehari-hari karena mengandung banyak gizi dan sumber protein yang tinggi.  Pada umumnya, jenis ayam yang sering dikonsumsi masyarakat adalah daging ayam kampung dan daging ayam broiler yang dimana mulai dari cara perawatan dan pemeliharaan ayam sangat berbeda sehingga menentukan kualitas daging ayam tersebut. Perawatan ayam broiler yang dilakukan oleh peternak ayam kerap mengabaikan  prosedur kesehatan ayam sehingga banyak memunculkan potensi bahaya mengkonsumsi daging ayam broiler seperti terkena infeksi bakteri Salmonella dan Campylobacter karena dalam masa perawatan dan pertumbuhan ayam sering disuntik antibiotik. Masyarakat perlu tahu dengan permasalahan ini dan masalah ini menjadi sangat serius jika dihubungkan dengan adanya beberapa kandungan dalam ayam broiler yang tidak boleh dikonsumsi oleh orang tertentu seperti logam berat. Secara kasat mata, tekstur daging ayam kampung dan daging ayam broiler sangatlah mirip maka dari itu dibutuhkan sebuah teknologi untuk membedakan kedua jenis daging tersebut berdasarkan tekstur yang dianalisis. Penggunaan deep learning dalam perkembangan teknologi untuk mengolah sebuah citra sangat efektif, maka dari itu penelitian ini menggunakan metode Deep Learning yaitu Convolutional Neural Network (CNN) menggunakan arsitektur ResNet-50 sebagai klasifikasi daging dengan jumlah data sebanyak 1.200 citra dengan 2 kelas yaitu daging ayam kampung dan daging ayam broiler dengan setiap kelas memiliki ukuran gambar 224 224 pixel dan pembagian data dengan perbandingan data ayam kampung 80%  data latih : 20% data uji dan ayam broiler dengan perbandingan 80% data latih : 20% data latih. Setelah penelitian dilakukan, maka hasil perolehan akurasi tertinggi dari penelitian ini adalah pengujian ke-10  dengan 55% accuracy, 55% precision, 55% recall, dan 55% f1 score dengan menggunakan parameter optimizer SGD,  learning rate,  batch size, dan momentum. Dari penelitian ini dapat disimpulkan bahwa penggunaan arsitektur ResNet-50 sangat baik dalam pengklasifikasian citra dengan tingkat akurasi yang sangat tinggi.

References

[1] Prasetyo, H. Masdiana Ch Padaga, Manik Eirry Sawitri. Kajian Kualitas Fisiko Kimia Daging Sapi Di Pasar Kota Malang. Jurnal Ilmu dan Teknologi Hasil Ternak, 8(2), pp. 1- 8. 2013.
[2] Soeparno. Ilmu Dan Teknologi Daging. Edisi ke-4. Yogyakarta: Gadjah Mada University Press. 2015.
[3] Nasrun K, “Harga Daging Sapi Stabil, tapi Dinilai Masih Tinggi,” 2022. https://www.kompas.id/baca/ekonomi/222/10/10/harga-daging-sapi-stabil-tapi-d inilai-masih-tinggi (accessed Jan. 15, 2024).
[4] Uyuni Badrah, “Dampak Konsumsi Babi dalam Pembentukan Karakter dan Terkabulnya Doa.” Jurnal Pendidikan Islam. 1(2). 2018.
[5] M. Farid, Kusuma S.F., “Analisis Perbandingan Algoritma Machine Learning dan Deep Learning Untuk Klasifikasi Citra Sistem Isyarat Bahasa Indonesia (SIBI).” Jurnal Teknologi Informasi dan Ilmu Komputer. 10(4), pp. 873-882. 2019.
[6] M. Ihsan. “Deteksi Kualitas Telur Menggunakan Analisis Tekstur,” Indonesian Journal of Computing and Cybernetics Systems. 11(2), pp. 199-208. 2017.
[7] W. S. Eka Putra, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, 2016. doi: 10.12962/j23373539.v5i1.15696.
[8] F. U. Amri, “Implementasi Segmentasi Spatial Fuzzy C-Means Pada Identifikasi Citra Daging Sapi dan Babi,” in Seminar Nasional Teknologi Informasi Komunikasi dan Industri, pp. 206–214. 2018.
[9] P. Nurtanio, E.H. Rachmawanto, "Evaluasi Ekstraksi Tekstur Fitur GLCM dan LBP menggunakan Multikernel SVM untuk Klasifikasi Batik," Jurnal RESTI. 5(1), pp. 1-9. 2021.
[10] Y. Ismail, I. P. N. Purnama, Sutardi, and L. B. Askara, “Pengenalan Wajah Berbasis Perhitungan Jarak Fitur LBP Menggunakan Euclidean, Manhattan, Chi Square Distance,” Semnastik, pp. 386–393, 2019.
Published
2024-05-24
Abstract viewed = 21 times
PDF downloaded = 11 times